Synthetic dataset for compositional learning

Kód výsledku v IS VaVaI

<a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F61988987%3A17610%2F18%3AA1901VAS" target="_blank" >RIV/61988987:17610/18:A1901VAS - isvavai.cz</a>

Výsledek na webu

<a href="http://dx.doi.org/10.1142/11069" target="_blank" >http://dx.doi.org/10.1142/11069</a>

DOI - Digital Object Identifier

<a href="http://dx.doi.org/10.1142/11069" target="_blank" >10.1142/11069</a>

Jazyk výsledku

angličtina

Název v původním jazyce

Synthetic dataset for compositional learning

Popis výsledku v původním jazyce

This contribution presents a framework for a generation of synthetic images. The framework is built on top of the Unreal Engine 4, a software kit capable of rendering realistic images. Besides image data, additional label information, such as depth, normal maps and object components masks, are generated. Hierarchical nature of generated labels corresponds to hierarchical representations which we want to be captured by the neural network. Such labels enable training of deep models in a compositional manner. This leads to the better understanding of the internal representations of the models and acceleration of the learning procedure. The framework allows users to render arbitrary scenes and objects according to their specific domain.

Název v anglickém jazyce

Synthetic dataset for compositional learning

Popis výsledku anglicky

This contribution presents a framework for a generation of synthetic images. The framework is built on top of the Unreal Engine 4, a software kit capable of rendering realistic images. Besides image data, additional label information, such as depth, normal maps and object components masks, are generated. Hierarchical nature of generated labels corresponds to hierarchical representations which we want to be captured by the neural network. Such labels enable training of deep models in a compositional manner. This leads to the better understanding of the internal representations of the models and acceleration of the learning procedure. The framework allows users to render arbitrary scenes and objects according to their specific domain.

Druh

D - Stať ve sborníku

CEP obor

—

OECD FORD obor

10102 - Applied mathematics

Projekt

—

Návaznosti

S - Specificky vyzkum na vysokych skolach

Rok uplatnění

2018

Kód důvěrnosti údajů

S - Úplné a pravdivé údaje o projektu nepodléhají ochraně podle zvláštních právních předpisů

Název statě ve sborníku

Data Science and Knowledge Engineering for Sensing Decision Support

ISBN

9789813273221

ISSN

—

e-ISSN

—

Počet stran výsledku

6

Strana od-do

1440-1445

Název nakladatele

World Scientific

Místo vydání

Singapur

Místo konání akce

Belfast

Datum konání akce

21. 8. 2018

Typ akce podle státní příslušnosti

WRD - Celosvětová akce

Kód UT WoS článku

—